KUVIO 5 TAM-malli (Mukaillen Davis ym., 1989)
Davisin ym. (1989) malli pyrkii selittämään tekijöitä, jotka vaikuttavat siihen, kuinka ihmiset ovat valmiita omaksumaan tietoteknisiä ratkaisuja käyttöönsä.
TAM-mallin mukaan koettu hyödyllisyys (engl. perceived usefulness) ja koettu helppokäyttöisyys (engl. perceived ease of use) vaikuttavat yhdessä kuluttajan käyttöaikomukseen (engl. intention to use) ja todelliseen käyttöön. Lisäksi koettu helppokäyttöisyys vaikuttaa koettuun hyödyllisyyteen. Davisin ym. (1989) mu-kaan koettu hyödyllisyys tarkoittaa käyttäjän subjektiivista näkökulmaa siihen, tuleeko tietyn tietoteknisen ratkaisun käyttö parantamaan hänen suorituskyky-ään organisationaalisessa kontekstissa. Koettu helppokäyttöisyys taas viittaa sii-hen, kuinka helppokäyttöiseksi käyttäjä kokee kyseisen tietoteknisen ratkaisun käytön (Davis ym., 1989). Davis ym. (1989) katsoo, että kuluttajan käyttöaikomus johtuukin pääsääntöisesti koetun hyödyllisyyden ja tästä johtuvan käyttöasen-teen yhdistelmästä. Venkatesh ja Davis (2000) laajensivat Davisin ym. (1989) mal-lin sisältämään useita, erikseen määriteltyjä, ulkoisia tekijöitä, jotka vaikuttavat
koettuun hyödyllisyyteen. Venkateshin ja Davisin (2000) TAM2-malli on myös yleisesti hyväksytty ja käytetty.
TAM-mallia on kritisoitu sen rajoittuneesta selittävästä ja ennustavasta te-hosta sekä triviaalisuudesta (Chuttur, 2009). Tästä huolimatta TAM-mallin koe-taan olevan erityisen toimiva lähtökohta tämän tutkimuksen aihepiirin tutkimi-selle, sillä pilvilaskenta on teknologiana suhteellisen tuore, joten sen tarkastele-minen teknologian omaksumisen kautta on ajankohtaista ja merkityksellistä. Li-säksi kirjallisuuden mukaan TAM on osoittautunut hyödylliseksi teoreettiseksi malliksi loppukäyttäjien käyttäytymisen tutkimiseksi ja selittämiseksi IT-ympä-ristössä. TAM-mallia on myös testattu useissa empiirissä tutkimuksissa ja sen kanssa käytettyjen työkalujen on osoitettu olevan laadukkaita ja tilastollisesti luotettavia. (ks. Legris ym., 2003, s. 202.)
TAM-mallia laajennetaan tässä tutkimuksessa tarkastelemaan sitä, kuinka pk-yritykset ovat omaksuneet pilvipalveluita toimintaansa. Aihetta tutkitaan tar-kastelemalla survey-tutkimuksella sitä, kuinka pilvipalvelukokemus vaikuttaa pilvipalveluiden koettuun hyödyllisyyteen ja koettuun helppokäyttöisyyteen.
2.7 Yhteenveto
Pilvilaskennasta on tullut viime vuosien aikana eräs merkittävimmistä ja tutki-tuimmista IT-alan ilmiöistä. Pilvilaskennalle on ominaista tarpeen mukaan saa-tavilla oleva itsepalvelu, pääsy palveluihin eri laitteilla, resurssien yhteiskäyttö, nopea joustavuus ja resurssikäytön mittaaminen. Pilviresursseille on ominaista saatavuus tarpeen mukaan ja maksu käyttömäärän perusteella. Pilvilaskenta jae-taan kolmeen palvelumalliin ja neljään käyttöönottomalliin. Pilvilaskenta mah-dollistaa valtavat hyödyt yrityksille. Pilvilaskennan omaksumiseen liittyy kui-tenkin myös erityisesti tietoturvaan liittyviä haasteita, jotka täytyy ottaa huomi-oon pilvipalveluita omaksuessa. TAM-malli on yleisesti käytetty malli, jolla sel-vitetään teknologiseen omaksumiseen vaikuttavia tekijöitä.
Tässä luvussa käsitellään aikaisempaa pilvipalveluiden kustannusoptimointiin liittyvää tutkimusta. Lisäksi käsitellään yleisimpiä kirjallisuudessa mainittuja kustannusoptimointimenetelmiä.
3.1 Aikaisempi tutkimus
Pilvipalveluiden kustannusoptimointiin liittyvä tieteellinen tutkimus on vielä suhteellisen rajoittunutta. Yritysten toteuttamaa pilvipalveluiden kustannusop-timointia ei ole tutkittu aikaisemmin vielä tieteellisesti. Pilvipalveluiden kustan-nusoptimointiin liittyvää verkkomateriaalia löytyy kuitenkin runsaasti sekä eri-laisten organisaatioiden että merkittävimpien pilvipalveluntarjoajien, kuten Amazonin ja Googlen, tuottamana.
Islam ym. (2011) katsovat, että suurin osa pilviresurssien optimoimiseen liittyvästä tutkimuksesta on keskittynyt palveluntarjoajan näkökulmaan (ks.
esim. Rochman ym., 2017; Shen, Deng, Iosup & Epema, 2013; Tanković ym., 2017;
Wu ym., 2011a; Zhang ym., 2011) Malawskin ym. (2013) mukaan kustannusopti-mointiin liittyvä tutkimus on keskittynyt ennalta-arvaamattomien dynaamisten työtaakkojen huomioon ottamiseen ja kustannusten, toteutusaikojen ja toiminto-jen optimointiin.
On kuitenkin olemassa lukuisia tieteellisiä tutkimuksia, jotka esittävät eri-laisia matemaattisia kustannusoptimointimalleja optimaalisen resurssikäytön saavuttamiseksi ja pilvilaskentaan liittyvien kustannusten minimoimiseksi.
Pandey ym. (2010) esittävät PSO (Particle Swarm Optimization) -mallin, jonka tarkoituksena on minimoida sovellusten kokonaissuorituskulut pilviym-päristössä. Chaisirin ym. (2010) artikkeli käsittelee kokonaislukuohjelmointiin (engl. integer programming) perustuvia pilvilaskennan kustannusoptimointimal-leja. He esittävät optimointihaasteen ja ratkaisevat sen käyttäen
kokonaislukuoh-3 PILVIPALVELUIDEN KUSTANNUSOPTIMOINTI
jelmointia tarkoituksenaan minimoida pilvi-infrastruktuurin kokonaiskustan-nukset. Myös Li ja Guo (2010) esittävät kokonaislukuohjelmointiin perustuvan mallin optimaaliseen pilviresurssien käyttämiseen.
Chaisiri ym. (2011) laajensivat mallinsa keskittymään AWS-palveluun. Ar-tikkelissaan he kehittivät kustannusoptimointialgoritmin, joka keskittyy pilvi-in-stanssien optimaaliseen käyttöön. Heidän mallinsa perustuu lyhyt- ja pitkäkes-toisiin varausalgoritmeihin. Chaisiri ym. (2012) esittävät myös lisäparannuksia malliinsa optimointitarpeen kasvaessa.
Bittencourtin ja Madeiran (2011) artikkeli käsittelee HCOC-mallia, jonka avulla kyetään optimoimaan kustannuksia hybridissä pilvessä. Heidän mallinsa perustuu tietyn aikarajoitteen sisällä toteutettuun työtehtävien suorittamiseen.
Hong, Xue ja Thottethodi (2011) esittävät ShrinkWrap -algoritmin, joka pyr-kii saavuttamaan optimaaliset kustannukset haluttujen aikarajoitteiden sisällä.
Heidän mallinsa mahdollistaa 13–29-prosenttiset kustannussäästöt Amazon EC2:n parissa.
Mao ja Humphrey (2011) muodostavat työnkulkuun (engl. workflow) perus-tuvan automaattisen skaalausmenetelmän, joka suorittaa kaikki työt käyttäjän määrittelemän aikarajoitteen sisällä kustannustehokkaasti. Heidän menetel-mänsä perustuu silmukkaan, joka sopeutuu dynaamisiin muutoksiin resurs-seissa. Maon ja Humphreyn (2011) menetelmä mahdollistaa jopa 40,4 prosentin kustannussäästöt. Mark ym. (2011) katsovat, että pilvilaskennan kustannusopti-mointi vaatii kaksiosaisen lähestymistavan. Ensin Mark ym. (2011) esittävät ky-syntäennustajan (engl. demand forecaster), joka pyrkii ennustamaan muutokset re-surssien kysynnän määrässä. Toisessa vaiheessa otetaan käyttöön hybridisoitu algoritmi, joka perustuu erilaisiin evolutiivisiin optimointialgoritmeihin. Mark ym. (2011) vertaavat tuloksiaan Chaisirin ym. (2010) tuloksiin, esittäen saman-kaltaisia lopputuloksia.
Javadi, Tulasiram ja Byyua (2013) esittävät mallin, jonka avulla kyetään en-nakoimaan spot-instansseihin liittyviä kokonaiskustannuksia hyvällä tarkkuu-della. Malawski ym. (2013) asettavat tutkimuksensa tavoitteeksi kustannusopti-moinnin jonkin tietyn aikarajoitteen sisällä. Malawskin ym. (2013) artikkeli pe-rustuu epälineaariseen kokonaislukuohjelmointiin perustuvan kustannusopti-mointimenetelmään, jolla voidaan ratkaista useiden heterogeenisten pilvipalve-luiden resurssienkohdentamishaasteita.
Altmann ja Kashef (2014) esittävät pilvikustannusmallin, jolla kuka tahansa voi arvioida kokonaispilvikustannuksensa missä tahansa pilvilaskennan käyt-töönottomallissa. Heidän mallinsa määrittelee kokonaiskustannukset kiinteiden kulujen, vaihtelevien kulujen ja kokonaiskulujen laskemiseen perustuvien kus-tannuskaavojen avulla. Van den Bossche ym. (2014) käsittelevät ennakoimistek-niikoita, joiden avulla voidaan suunnitella optimaalisia suunnitelmia resurssien varaamiseksi. Ensin lasketaan tulevaisuuden tarve jokaiselle instanssille, jonka jälkeen käytetään ennakoimistekniikkaa resurssien tarpeen ennakoimiseksi. Van den Bosschen ym. (2014) kokeiden perusteella molemmat menetelmät tuottavat tarkkoja tuloksia. Stijven ym. (2014) tutkivat geneettisten algoritmien vaikutusta tulevaisuuden resurssivaatimusten ennakoimiseksi. Heidän mukaansa tehokas
ennakointi vaatii tulevaisuuden resurssitarpeiden ymmärtämistä. Tutkimusten perusteella geneettiset algoritmit tuottavat tarkkoja tuloksia resurssivaatimusten ennakoimisessa.
Chenin, Irvingin ja Pengin (2016) tutkimus keskittyy pilvilaskennan data-keskusten kustannusoptimointiin uusiutuvaa energiaa käyttäen. Kim ja Jo (2016) esittelevät simulaatiotyökalun, jolla voidaan minimoida IaaS-palveluiden kus-tannukset. Heidän lähestymistapansa perustuu tietojenkäsittelyinstanssien opti-moituun konfiguraatioon. Sun, White, Eade ja Schmidt (2016) luovat ROAR-vii-tekehyksen, jonka tarkoituksena on yksinkertaistaa, optimoida ja automatisoida pilviresurssien käyttö palvelulaatutavoitteiden saavuttamiseksi. Nodari ym.
(2016) tarkastelevat optimointimallia, joka pyrkii löytämään optimaalisen yhdis-telmän tarve- ja varausinstanssien välillä. Myös heidän mallinsa tuottaa tarkkoja tuloksia resurssien optimoimiseksi.
3.2 Yleistä pilvipalveluiden kustannusoptimoinnista
Mansouri ja Buyya (2016) ja Van den Bossche ym. (2014) katsovat, että pilvilas-kennan suosion kasvamisen myötä organisaatiot ovat kohdanneet haasteita liit-tyen kustannustehokkaaseen pilviresurssien hallintaan. Resurssien ominaisuuk-sien, hinnoitteluvaihtoehtojen sekä varastointi- ja verkkoresurssien valikoiman valtava kasvu on tehnyt pilviresurssien hallinnasta, valitsemisesta ja hankkimi-sesta aikaa vievän, kompleksin tehtävän (Mansouri & Buyya, 2016; Van den Bos-sche ym., 2014). Myös Islam ym. (2011), Malawski ym. (2013) ja Mansouri ja Buyya (2016) korostavat lukuisten hinnoitteluvaihtoehtojen ja -suunnitelmien ai-heuttamaa kompleksisuutta.
Mark ym. (2011) painottavat sitä, että kuluttajien täytyy kyetä optimoi-maan kohdennettavat pilviresurssit useilta palveluntarjoajilta samanaikaisesti.
Lisäksi kuluttajien täytyy päättää, kuinka resurssitarpeet jaetaan eri palveluntar-joajien kesken mahdollisimman kustannustehokkaan ratkaisun saavuttamiseksi.
(Mark ym., 2011.) Myös Alkhanakin ym. (2016) mukaan tehokkaasta resurssien hyödyntämisestä on tullut merkittävä haaste yrityksille. Malawski ym. (2013) katsovat, että mahdollisimman kustannustehokkaan vaihtoehdon saavutta-miseksi kuluttajien täytyy ottaa huomioon muun muassa sovelluskomponent-tien useat sijoitusvaihtoehdot, resurssivarausmallit ja suorituskyvyn sekä kulu-jen mukaan vaihtelevat käyttöönottomallit. Sunin ym. (2016) mukaan useiden pilviresurssien tarjolla oleminen aiheuttaa haasteita, kun pyritään valitsemaan mahdollisimman optimoitu ja kustannustehokas vaihtoehto.
Pilvilaskentaan liittyykin useita huomioon otettavia kustannuksia, jotka li-säävät kustannusoptimoinnin kompleksisuutta. Altmann ja Kashef (2014) lajitte-levat pilvilaskennan kustannukset seitsemään kustannustyyppiin kirjallisuuden perusteella (taulukko 5):
TAULUKKO 5 Pilvilaskennan kustannustekijät (Mukaillen Altmann & Kashef, 2014, s. 83)
Kustannustyyppi Kustannustekijä Pilvikategoria Kustannusvaiku-tusten
Laitteisto Palvelimet
Verkko-laitteet
Yksityinen +++
+
Ohjelmisto
Palvelin-
Työvoima
Ohjelmis-tojen
Taulukko 5 (jatkuu)
Pilvipalvelut Yksityis-pilven
Altmann ja Kashef (2014) katsovat, että optimaalinen palveluiden kohdentami-nen on tarpeellista, sillä muun muassa erilaiset palveluiden maantieteelliset si-joittumiset voivat aiheuttaa erilaisia kustannuksia. Erilaiset kustannukset voivat syntyä esimerkiksi palveluntarjoajien asettamista hinnoista, maantieteellisistä eroista sähkön hinnassa tai erilaisista verkonkäyttökuluista. Huomionarvoista on kuitenkin se, että useat Altmannin ja Kashefin (2014) listaamista kustannuksista ovat palveluntarjoajien kohtaamia kustannuksia, eivätkä kaikki niistä ole rele-vantteja pilvipalveluiden kuluttajaorganisaatioiden kannalta.
Edellä mainittujen kustannustekijöiden lisäksi pilvilaskentaan liittyvät kus-tannukset koostuvat myös erinäisistä siirtymäkuluista (engl. migration costs).
Myös latenssi lisää pilvilaskentaan liittyviä kuluja. (Mansouri & Buyya, 2016.) Pilvilaskentaympäristön synnyttämiin kuluihin voi lisäksi vaikuttaa myös muun muassa sovelluksen koko, käytetyn datan yksityisyys, budjetti ja aikataulu (Alkhanak ym., 2016). Lisäksi palveluntarjoajat veloittavat asiakkaitaan eri ta-voin riippuen siirretyn datan kohteesta. (Mansouri & Buyya, 2016.) Mansourin ja Buyyan (2016) mukaan myös varastointivaihtoehdon valinnalla on suuri vaiku-tus optimoitaviin kustannuksiin. Huomioon tulisi ottaa erityisesti se, milloin ob-jekti siirretään pilveen ja millaisessa varastointitilassa se tulisi säilyttää (Man-souri & Buyya, 2016).
Kun otetaan huomioon edellä mainitut tekijät, voidaan myös vähentää pil-vilaskennan kokonaiskustannuksia (Mansouri & Buyya, 2016). Pandeyn ym.
(2010) mukaan kuluttajille on tarjolla erilaisia käytäntöjä, joilla voidaan tehok-kaasti ja kustannustehoktehok-kaasti kohdentaa pilviresurssit optimaalisesti muun muassa minimaalisen suoritusajan ja minimaalisten suorituskulujen mukaan.
Pilvisovellusten suorituskulut voidaan minimoida kustannusoptimoinnin (engl. cost optimization) avulla (Alkhanak ym., 2016). Pilvipalveluiden kustan-nusoptimoinnin monimutkaisuutta korostaa kuitenkin useat huomioon otettavat pilviresurssit sekä edellä mainitut lukuisat kustannustekijät. Pilvipalveluiden kustannusoptimoinnin merkittävyyttä korostaa sen mahdollistamat huomatta-vat kustannussäästöt.
3.3 Pilvipalveluiden kustannusoptimointimenetelmät
Pilvipalveluiden kustannusoptimoinnille esitetään kirjallisuudessa useita mene-telmiä. Merkittävimpinä menetelminä mainitaan muun muassa ennalta varatut resurssit, spot-markkinoiden hyödyntäminen, resurssikäytön optimointi, resurs-sikäytön ennakoiminen ja resursresurs-sikäytön tarkkaileminen.
RightScale-pilvipalveluorganisaation vuonna 2017 tekemä tutkimus listaa suosituimpia keinoja, joilla yritykset pyrkivät optimoimaan pilvipalveluihin liit-tyviä kustannuksiaan (kuvio 6):